15 Model AI Terbaik 2026 Versi LiveBench, Claude Memimpin

Harianjogja.com, JOGJA—Persaingan perusahaan kecerdasan buatan (AI) semakin ketat pada 2026. Dalam daftar pemeringkatan terbaru platform benchmark LiveBench, model AI buatan Anthropic mendominasi tiga posisi teratas sebagai model dengan kualitas jawaban terbaik secara keseluruhan.

Claude Fable 5.1 menempati peringkat pertama dengan skor 83,4 poin. Dua model Anthropic lainnya, Claude Opus 5.5 dan Claude Fable 5, menyusul di posisi kedua dan ketiga dengan skor masing-masing 83,2 poin dan 83 poin.

Sementara itu, GPT-6 Astra dari OpenAI berada di urutan keempat dengan skor 82,2 poin. Model AI milik Meta, Muse Spark 1.3, menempati posisi keenam dengan 81,6 poin.

Daftar yang dipublikasikan LiveBench tersebut menghimpun puluhan model AI dari berbagai perusahaan. Pengujian dilakukan melalui sejumlah kategori, mulai dari kemampuan penalaran, pemrograman, matematika, hingga analisis data.

Perlu dicatat, istilah "paling kencang" dalam pemeringkatan ini merujuk pada kualitas kemampuan model menjawab soal, bukan kecepatan menghasilkan respons. Dengan demikian, skor yang tinggi menunjukkan performa model dalam menyelesaikan tugas pengujian.

15 Model AI Terbaik 2026 Versi LiveBench

Selain tiga model Anthropic yang menguasai posisi teratas, sejumlah model dari OpenAI, Meta, DeepSeek, Moonshot, Google, Alibaba, dan xAI turut masuk dalam daftar 15 besar.

Model AI asal China juga menunjukkan persaingan. DeepSeek V4.1 Flash berada di peringkat ketujuh dengan skor 81,1 poin, sedangkan Kimi K3 dari Moonshot menempati posisi ke-12 dengan 79,2 poin.

Berikut daftar 15 model AI dengan skor keseluruhan tertinggi versi LiveBench:

1. Claude Fable 5.1 (Anthropic) — 83,4 poin

2. Claude Opus 5.5 (Anthropic) — 83,2 poin

3. Claude Fable 5 (Anthropic) — 83 poin

4. GPT-6 Astra (OpenAI) — 82,2 poin

5. GPT-6.1 Sol (OpenAI) — 81,6 poin

6. Muse Spark 1.3 (Meta) — 81,6 poin

7. DeepSeek V4.1 Flash (DeepSeek) — 81,1 poin

8. GPT-5.6 Sol (OpenAI) — 81 poin

9. GPT-5.5 Thinking (OpenAI) — 80,2 poin

10. Claude Opus 5 (Anthropic) — 80,1 poin

11. GPT-6 Sol — 79,3 poin

12. Kimi K3 (Moonshot) — 79,2 poin

13. Gemini 3.7 (Google) — 78,8 poin

14. Qwen 3.8 (Alibaba) — 78,5 poin

15. Grok 4.6 (xAI) — 78 poin

Model AI Terbaik Berdasarkan Kategori

LiveBench juga menyajikan pemeringkatan berdasarkan tujuh kategori pengujian. Hasilnya menunjukkan bahwa model Claude unggul dalam tiga kategori, yakni coding, matematika, dan bahasa.

Namun, posisi teratas pada kategori lain ditempati model dari perusahaan berbeda. Berikut lima model dengan skor tertinggi di setiap kategori, berdasarkan 30 model dengan skor keseluruhan tertinggi.

1. Reasoning atau Penalaran

Kategori ini menguji kemampuan model dalam menyelesaikan persoalan yang membutuhkan penalaran.

1. GPT-6 Astra — 92,7 poin

2. GPT-6.1 Sol — 92,6 poin

3. Claude Opus 5.5 — 92,2 poin

4. Claude Fable 5.1 — 91,7 poin

5. GPT-5.6 Sol — 91,7 poin

2. Coding

Pada kategori coding, Anthropic mendominasi lima besar. Claude Opus 5.5 berada di posisi pertama dengan skor 89,3 poin.

1. Claude Opus 5.5 — 89,3 poin

2. Claude Sonnet 5.5 — 88,9 poin

3. Claude Fable 5.1 — 86,4 poin

4. Claude Fable 5 — 86 poin

5. GPT-5.6 Sol — 83,9 poin

3. Agentic Coding

Kategori ini mengukur kemampuan model mengerjakan tugas pemrograman secara mandiri dan bertahap. Tingkat kesulitannya membuat skor pada kategori ini lebih rendah dibandingkan sejumlah kategori lainnya.

DeepSeek V4.1 Flash memimpin dengan skor 77,3 poin, mengungguli Claude Opus 5.5 yang berada di posisi kedua.

1. DeepSeek V4.1 Flash — 77,3 poin

2. Claude Opus 5.5 — 71,7 poin

3. Claude Fable 5.1 — 66,1 poin

4. Claude Opus 5 — 65,2 poin

5. DeepSeek V4 Flash Vision Exp — 65,1 poin

4. Matematika

Claude Opus 5.5 menjadi model dengan skor tertinggi pada kategori matematika, yakni 97,1 poin. Claude Fable 5.1 berada tepat di bawahnya dengan selisih 0,1 poin.

1. Claude Opus 5.5 — 97,1 poin

2. Claude Fable 5.1 — 97 poin

3. GPT-6 Astra — 96,8 poin

4. GPT-6.1 Sol — 96,8 poin

5. Claude Sonnet 5.5 — 96,7 poin

5. Analisis Data

OpenAI menempatkan sejumlah modelnya di posisi teratas kategori analisis data. GPT-6 Astra memimpin dengan skor 83 poin, diikuti GPT-6.1 Sol dengan 82,7 poin.

1. GPT-6 Astra — 83 poin

2. GPT-6.1 Sol — 82,7 poin

3. GPT-5.5 Thinking — 81,6 poin

4. GPT-6 Sol — 81,2 poin

5. Claude Fable 5 — 80,5 poin

6. Bahasa

Claude Fable 5 memimpin kategori bahasa dengan skor 90,7 poin. GPT-6.1 Sol dari OpenAI menempati posisi kedua dengan 90,1 poin.

1. Claude Fable 5 — 90,7 poin

2. GPT-6.1 Sol — 90,1 poin

3. Claude Fable 5.1 — 89,5 poin

4. GPT-6 Astra — 89,4 poin

5. Claude Opus 5 — 88,7 poin

7. Instruction Following

Berbeda dari tiga kategori yang dipimpin Claude, Gemini dari Google menguasai lima posisi teratas dalam kategori instruction following atau kemampuan mengikuti instruksi.

Gemini 3.8 Flash berada di urutan pertama dengan skor 81,4 poin. Muse Spark 1.3 dari Meta menempati posisi keempat, sedangkan Qwen 3.8 Flash Next dari Alibaba berada di urutan kelima.

1. Gemini 3.8 Flash — 81,4 poin

2. Gemini 3.7 Flash — 79,9 poin

3. Gemini 3.1 Pro — 79,1 poin

4. Muse Spark 1.3 — 78 poin

5. Qwen 3.8 Flash Next — 77,1 poin

LiveBench Memperbarui Soal Pengujian secara Berkala

LiveBench memperbarui pertanyaan dan tugas pengujian secara berkala untuk mengurangi risiko kontaminasi data. Langkah ini dilakukan agar model tidak memperoleh skor tinggi hanya karena telah menghafal soal yang sebelumnya bocor ke dalam data pelatihan.

Platform tersebut mengambil materi pengujian dari sumber yang relatif baru, seperti makalah arXiv, berita, dan kompetisi matematika. Jawaban model kemudian dicocokkan dengan kunci jawaban objektif, bukan dinilai oleh manusia atau model AI lain.

Seluruh set soal juga diperbarui sekitar setiap enam bulan. Rilis terbaru yang disebutkan dalam daftar tersebut bertanggal 25 Juni 2026.

Dalam pengujian itu, setiap model harus menyelesaikan 23 tugas yang terbagi dalam tujuh kategori. Hasilnya kemudian dirangkum untuk menghasilkan skor dan pemeringkatan.

Karena soal diperbarui, skor dari rilis yang berbeda tidak dapat dibandingkan secara langsung. Sementara itu, keterangan seperti "Max" atau "xHigh" pada nama model menunjukkan tingkat upaya penalaran yang digunakan ketika pengujian berlangsung.

Cek Berita dan Artikel yang lain di Harian Jogja, dan edisi cetak versi elektronik kami hadir di Epaper Harian Jogja.